सामग्री विज्ञान में बड़े डेटासेट के माध्यम से मशीन-लर्निंग मॉडल में सुधार

एक मशीन लर्निंग मॉडल की सटीकता उस डेटा की गुणवत्ता और मात्रा द्वारा सीमित होती है जो इसके प्रशिक्षण और मान्यता के लिए उपलब्ध है। यह समस्या सामग्री विज्ञान में विशेष रूप से चुनौतीपूर्ण है, जहां बड़े, उच्च-गुणवत्ता वाले, और सुसंगत डेटासेट की कमी होती है। यहां हम अलेक्जेंड्रिया पेश करते हैं, जो आवधिक तीन-, दो-, और एक-आयामी यौगिकों के लिए 5 मिलियन से अधिक घनत्व-कार्यात्मक थ्योरी की गणनाओं का एक ओपन डेटाबेस है। हम इस डेटा का उपयोग मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए करते हैं ताकि रचना-आधारित मॉडल और क्रिस्टल-ग्राफ न्यूरल नेटवर्क दोनों का उपयोग करके सात विभिन्न गुणों को पुन: उत्पन्न किया जा सके। अधिकांश मामलों में, मॉडलों की त्रुटि प्रशिक्षण डेटा के साथ निरंतर कम होती है, हालांकि कुछ ग्राफ नेटवर्क बड़े प्रशिक्षण सेट साइज के लिए संतृप्त होते प्रतीत होते हैं। प्रशिक्षण में भिन्नताएँ विभिन्न गुणों के सांख्यिकीय वितरण के साथ सह-correlate हो सकती हैं। हम यह भी देखते हैं कि ग्राफ-नेटवर्क, जिन्हें विस्तृत ज्यामितीय जानकारी तक पहुंच होती है, सामान्यतः सरल रचना-आधारित तरीकों की तुलना में अधिक सटीक मॉडल प्रदान करते हैं। अंततः, हम कई सार्वभौमिक मशीन लर्निंग इंटरएटम संभावनाओं का आकलन करते हैं। इन बल क्षेत्रों के साथ अनुकूलित क्रिस्टल ज्यामितियाँ बहुत उच्च गुणवत्ता की होती हैं, लेकिन दुर्भाग्यवश ऊर्जा की सटीकता में अभी भी कमी है। इसके अलावा, हम इन मॉडलों के लिए उपयोग किए गए प्रशिक्षण सेट में कम नमूना क्षेत्र के लिए कुछ अस्थिरताएँ देखते हैं। यह अध्ययन सामग्री विज्ञान में मशीन लर्निंग मॉडल में सुधार के लिए बड़े पैमाने पर, उच्च गुणवत्ता वाले डेटासेट की क्षमता को उजागर करता है।